Zero-shot и few-shot: учим нейросеть без обучения

Zero-shot и few-shot: учим нейросеть без обучения

Представьте: вы открываете ChatGPT и просите перевести текст на японский. Без примеров. Без настройки. И нейросеть переводит. Как? Ведь она не знает ваш текст и никогда его не видела.

Ответ — в двух словах: zero-shot и few-shot. Это не отдельные модели и не технологии в привычном смысле. Это способности, которые появились у больших языковых моделей (LLM — Large Language Model) просто потому, что они стали огромными и обучались на триллионах текстов.

Zero-shot learning

Zero-shot learning — нейросеть решает задачу, получив только инструкцию. Ноль примеров. Ноль дополнительной настройки.

Вы впервые видите казуарина — странное австралийское дерево, похожее на телефонный столб. Никто вам не объяснял, что это. Но вы видите: форма дерева, чешуйки вместо листьев, кора. Понимаете: это растение, оно фотосинтезирует, у него есть корни.

Это zero-shot. Вы не видели 10 000 фотографий казуарина. Вы просто обобщили знания о деревьях и применили их к новому объекту.

Практический пример:

«Определи тональность отзыва: ‘Ресторан понравился, но официант был грустным’»

Модель не видела вашего отзыва при обучении. Но она понимает слова «понравился» и «грустный» — и делает вывод: позитивный отзыв с ноткой негатива.

Когда zero-shot проваливается: когда задача слишком узкая, специфичная или формат нестандартный. Модель делает буквально то, что написано, а не то, что вы имели в виду. Это называют specification gaming.

Few-shot learning

Few-shot learning — нейросеть получает 2–5 примеров прямо в промпте и по ним «понимает» паттерн.

Шеф-повар учился готовить итальянскую и японскую кухню. Вдруг вы даёте ему рецепт марокканского тажина. Он никогда его не видел. Но по описанию «мясо + соус + медленное тушение + специи» понимает формат и готовит. Потому что у него уже есть ментальная модель «тушёное блюдо».

Few-shot — это как показать сотруднику 3 примера правильно оформленных документов и сказать: «Делай по аналогии».

Практический пример:

«Вопрос: 2+2=? Ответ: 4. Вопрос: 5×3=? Ответ: 15. Вопрос: 12-7=? Ответ:»

Модель видит паттерн «вопрос — ответ» и даёт правильный ответ.

Почему few-shot работает лучше: примеры «заякоривают» формат и логику. Риск specification gaming падает. Модель понимает не только задачу, но и как вы хотите получить ответ.

Почему это вообще возможно

Ключ — в масштабе. Когда модель обучается на триллионах текстов, она накапливает не конкретные факты, а связи между понятиями. Она строит огромную карту «это похоже на то», «это противоположно тому», «это обычно ведёт к этому».

Эти связи называются эмбеддингами — векторными представлениями смысла. Модель не запоминает конкретные примеры, а строит абстрактную карту знаний. И когда вы даёте ей новую задачу, она находит на этой карте ближайшие «территории» и применяет логику оттуда.

Zero-shot vs Few-shot: сравнение

• Zero-shot: 0 примеров в промпте, только инструкция, дешевле, ниже качество на узких задачах.
• Few-shot: 2–5 примеров, инструкция + паттерн, чуть дороже, стабильнее и точнее на нестандартных задачах.

Когда zero-shot достаточно: общие задачи, широкие темы, когда важен каждый токен стоимости.

Когда добавить примеры: задачи с нестандартным форматом, узкая специфика, когда важна точность и стабильность.

Практический чек-лист

1. Попробуйте сначала zero-shot — просто опишите задачу. Посмотрите результат.
2. Если результат «буквально, но не то» — добавьте 2–3 примера.
3. Примеры должны быть репрезентативными: покажите типичный вход и правильный выход.
4. Не перегружайте: 5 примеров — оптимум. Больше — хуже.
5. Помните: модель считывает паттерн, а не запоминает примеры.

Главное, что стоит уяснить

Zero-shot и few-shot — это не магия и не отдельные технологии. Это способности больших моделей, которые работают «из коробки». Вы можете пользоваться ими прямо сейчас, просто правильно формулируя промпты.

Не нужно переобучать модель под каждую задачу. Не нужны ML-специалисты. Нужно просто понимать: если нейросеть не справляется с нуля — дайте ей пару примеров. Обычно этого хватает.

Сохраните эту информацию — пригодится, когда будете писать промпты или объяснять коллегам, почему «эта нейросеть умнее, чем кажется».